基于互信息变量选择与LSTM的电站锅炉NO_x排放动态预测.docx

基于互信息变量选择与LSTM的电站锅炉NO_x排放动态预测
基于互信息变量选择与LSTM的电站锅炉NO_x排放动态预测
摘要：
空气污染成为全球性的环境问题，其中NOx排放是主要的大气污染物之一。准确地预测电站锅炉NOx排放对于制定有效的环境管理政策和减少空气污染具有重要意义。本论文基于互信息变量选择与LSTM（长短期记忆）模型，提出一种用于电站锅炉NOx排放动态预测的方法。
关键词：NOx排放，互信息，变量选择，LSTM模型，动态预测
1.介绍
空气污染已经成为世界范围内的一个重要问题。NOx排放是空气污染的主要来源之一，其对人类健康和环境都带来了严重威胁。因此，准确地预测NOx排放对于制定有效的环境管理政策和减少空气污染具有重要意义。
2.相关工作
过去的研究中，已经提出了许多方法用于NOx排放的预测，包括基于统计模型和机器学习的方法。然而，这些方法往往忽视了变量之间的关联性，导致预测结果不准确。
3.方法
为了解决变量关联性的问题，本论文提出了一种基于互信息变量选择的方法。互信息是一种用于量化两个变量之间关联关系的方法，可以衡量变量之间的信息传递程度。通过计算变量之间的互信息，可以选择出与NOx排放相关性较高的变量。
在进行变量选择后，我们采用LSTM模型进行NOx排放的动态预测。LSTM是一种循环神经网络模型，具有记忆功能，能够捕捉时间序列数据的长期依赖关系。通过输入历史时刻的变量值，LSTM模型可以预测未来时刻的NOx排放。
4.实验与结果
我们使用实际电站锅炉的数据进行了实验。首先，我们对数据进行了预处理，包括去除异常值和归一化处理。然后，我们使用互信息方法选择了与NOx排放相关性较高的变量。最后，我们用选取的变量构建了LSTM模型，并进行了NOx排放的动态预测。
实验结果表明，所提出的方法能够准确地预测电站锅炉NOx排放。与传统的方法相比，我们的方法具有更好的预测性能和稳定性。
5.结论
本论文提出了一种基于互信息变量选择与LSTM模型的电站锅炉NOx排放动态预测方法。实验结果表明，所提出的方法能够准确地预测NOx排放，并具有更好的预测性能和稳定性。这对于制定有效的环境管理政策和减少空气污染具有重要意义。进一步的研究可以考虑使用更多的变量和改进模型结构，以提高预测精度。
参考文献：
[1]Zhang,Y.,Li,J.,&Li,C.(2019).Anovelmethodoflong-termloadforecastingbasedonfeatureselectionandLSTM.Energy,167,1045-1057.
[2]Li,J.,Hu,B.,Yang,S.,&Cheng,M.(2018).ResearchonNOxemissionpredictionbasedonimprovedwavelettransformandsupportvectormachine.Journalofenvironmentalsciences,68,9-17.
[3]Zheng,Y.,Lin,K.,Chen,J.,Li,C.,&Chen,S.(2020).PowerloadforecastingbasedonimprovedPSOalgorithmandLSTMneuralnetwork.IEEEAccess,8,49207-49219.